草莓视频

在过渡金属催化领域，通过计算进行催化剂的高通量虚拟筛选是实现催化剂理性设计的重要途径。近年来，基于配体描述符的机器学习策略得到了广泛发展，其核心在于通过拟合实验数据来近似预测催化性能；另一种更具普适性的路径则是基于第一性原理，通过直接计算反应能量图谱来评估催化剂表现。然而，要实现基于第一性原理的反应路径全自动虚拟筛选，目前在学术界仍面临三个关键瓶颈：一是过渡金属配合物、反应中间体和过渡态（TS）的三维结构数据极度匮乏，传统的理论数据集规模有限且高度依赖人工搭建与收集；二是缺乏能够同时兼容稳定中间体和过渡态、且能拓展至百原子以上大体系的统一三维结构生成框架；三是中间体和过渡态自由能的精确评估成本高昂，传统DFT计算效率不足。

近日，针对这些瓶颈，草莓视频 刘智攀教授团队在《美国化学会志》（J. Am. Chem. Soc. ）上发表了研究论文（）。该研究提出了一种耦合势能面探索的自学习扩散模型框架（SL-DM-PES），系统性地为上述有机催化预测瓶颈提供了高效的解决方案。该论文是继近期课题组在拓展人工智能原子模拟在无定形结构预测方向(J. Am. Chem. Soc. 2026, 148, 23088, //pubs.acs.org/doi/10.1021/jacs.6c05023?ref=PDF) 取得的又一重要进展。

）并开放线上操作。该工作通过解决数据丰度、模型可扩展性与能量评估效率三大瓶颈，为基于第一性原理的催化剂全自动、机制知情的高通量筛选提供了可行路径。

图3 基于Pd催化的Suzuki-Miyaura交叉偶联反应，通过全自动反应路径扫描与动力学能垒评估实现配体高通量筛选